Quantum Architecture Search with Unsupervised Representation Learning

要約

教師なし表現学習は、ノイズの多い中間スケール量子 (NISQ) デバイス上で量子アーキテクチャ検索 (QAS) を進歩させる新たな機会を提供します。
QAS は、変分量子アルゴリズム (VQA) の量子回路を最適化するように設計されています。
ほとんどの QAS アルゴリズムは検索空間と検索アルゴリズムを緊密に結合しており、通常は多数の量子回路の評価が必要となるため、計算コストが高くなり、より大規模な量子回路へのスケーラビリティが制限されます。
予測ベースの QAS アルゴリズムは、構造または埋め込みに基づいて回路パフォーマンスを推定することで、この問題を軽減します。
ただし、これらの方法では多くの回路にわたるゲート パラメーターを最適化するために時間のかかるラベル付けが必要になることが多く、これは正確な予測器をトレーニングするために重要です。
古典的なニューラル アーキテクチャ検索アルゴリズム Arch2vec に触発され、予測子に依存しない QAS の教師なし表現学習の可能性を調査します。
私たちのフレームワークは、教師なしアーキテクチャ表現の学習を検索プロセスから切り離し、学習した表現をさまざまな下流タスクに適用できるようにします。
さらに、改良された量子回路グラフ符号化スキームを統合し、既存の表現の制限に対処し、検索効率を向上させます。
この予測子を使用しないアプローチにより、大規模なラベル付きデータセットが不要になります。
検索中に、REINFORCE とベイジアン最適化を使用して潜在表現空間を探索し、そのパフォーマンスをベースライン手法と比較します。
私たちの結果は、このフレームワークがより少ない検索反復で高性能の量子回路を効率的に識別できることを示しています。

要約(オリジナル)

Unsupervised representation learning presents new opportunities for advancing Quantum Architecture Search (QAS) on Noisy Intermediate-Scale Quantum (NISQ) devices. QAS is designed to optimize quantum circuits for Variational Quantum Algorithms (VQAs). Most QAS algorithms tightly couple the search space and search algorithm, typically requiring the evaluation of numerous quantum circuits, resulting in high computational costs and limiting scalability to larger quantum circuits. Predictor-based QAS algorithms mitigate this issue by estimating circuit performance based on structure or embedding. However, these methods often demand time-intensive labeling to optimize gate parameters across many circuits, which is crucial for training accurate predictors. Inspired by the classical neural architecture search algorithm Arch2vec, we investigate the potential of unsupervised representation learning for QAS without relying on predictors. Our framework decouples unsupervised architecture representation learning from the search process, enabling the learned representations to be applied across various downstream tasks. Additionally, it integrates an improved quantum circuit graph encoding scheme, addressing the limitations of existing representations and enhancing search efficiency. This predictor-free approach removes the need for large labeled datasets. During the search, we employ REINFORCE and Bayesian Optimization to explore the latent representation space and compare their performance against baseline methods. Our results demonstrate that the framework efficiently identifies high-performing quantum circuits with fewer search iterations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google